Esquema general

Procesamiento espectros

Cantidad de datos/institucion

PCA con PCRCOMP

UMAP

UMAP ajustado

t-SNE

Importancia de los factores

Clustering para Identificación de Patrones

Equipo

Fecha

COVID

PCA

UMAP

Importacia factores

Clustering

Equipo

Fecha

COVID

PCA

UMAP

Importacia factores

Clustering

Equipo

Fecha

COVID

Modelos ML considerando batch equipo

Sin dicotomizar

Dicotomizados

Modelos ML considerando batch fecha

Sin dicotomizar

Dicotomizados

Modelos ML sin efecto batch

Sin dicotomizar

Dicotomizado

Modelos ML considerando batch equipo

Sin dicotomizar

Dicotomizado

Modelos ML considerando batch fecha

Sin dicotomizar

Dicotomizado

Modelos ML sin efecto batch

Sin dicotomizar

Dicotomizado

Modelos ML considerando batch equipo

Sin dicotomizar

Dicotomizado

Modelos ML considerando batch fecha

Sin dicotomizar

Dicotomizado

Modelos ML sin batch

Sin dicotomizar

Dicotomizado

Modelos ML considerando batch equipo

Sin dicotomizar

Dicotomizado

Modelos ML considerando batch fecha

Sin dicotomizar

Dicotomizado

Modelos ML sin efecto batch

Sin dicotomizar

Dicotomizado

Alineamiento de espectros

Los modelos seleccionados para enfrentar al set ciego mostraban un equilibrio razonable entre sensibilidad y especificidad, manteniendo valores de Accuracy por encima del 66% y Kappa superiores a 0.25. Además, priorizamos modelos que conservaran especificidad elevada (≥0.72), dado que un diagnóstico correcto de los casos negativos era una prioridad

Modelos seleccionados

Funcion para alinear picos

Modelos seleccionados/Modelos seleccionados CV<40

Modelos con set entrenamiento

Grafico